Staggered DID分析 総合レポート

デジタルコンテンツ視聴の因果効果検証 | 観測期間: 2023/4 - 2025/12

1. 分析要件定義

1.1 分析目的

デジタルコンテンツ（webiner, e_contents, Web講演会）の視聴が、品目コード=00001<の納入額に与える因果効果を推定する。視聴開始時期が施設医師ごとに異なる「ずれた処置（staggered treatment）」に対応したDID推定量を使用する。

分析対象は 品目コード=00001 (ENT) の売上データに限定し、医師は 全医師 — RW + 非RW (Step 3スキップ) を使用する。

1.2 データ構造

売上データ (sales.csv)

  • 日別・施設別・品目別の売上実績
  • カラム: 日付, 施設（本院に合算）コード, DCF施設コード, 品目コード, 実績
  • 日付: YYYYMMDD文字列、実績: 数値文字列
  • 全品目: 58,848 行 → ENT品目: 18,704 行

デジタル視聴データ (デジタル視聴データ.csv)

  • webiner / e_contents の視聴ログ
  • カラム: 活動日_dt, 品目コード, 活動種別, 活動種別コード, fac_honin, doc 等
  • 2,666 行

活動データ (活動データ.csv)

  • MR入力の活動記録 (Web講演会を含む)
  • カラム: 活動日_dt, 品目コード, 活動種別コード, 活動種別, fac_honin, doc 等
  • 9,893 行 → Web講演会抽出後に視聴データと結合

RW医師リスト (rw_list.csv)

  • ENT対象医師リスト (品目カラムなし)
  • カラム: doc, doc_name, fac_honin, fac_honin_name, fac, fac_name, seg
  • seg非空 = RW対象
  • 全体: 268 行 → seg非空: 360 行
視聴データの結合: デジタル視聴データ (webiner + e_contents) と 活動データ (Web講演会のみ抽出) を結合して分析用の視聴データとする。 結合後: 2,955 行

1.3 分析パラメータ

期間設定

  • 観測期間: 2023/4 - 2025/12 (33ヶ月)
  • Wash-out期間: 2ヶ月 (2023/4-5)
  • 最終適格月: 2025/9 (month 29)

除外基準

  • 売上データ: ENT品目コード (00001) 以外を除外
  • 医師リスト: seg列が空欄の医師を除外
  • 視聴データ: ENT品目 + 対象チャネル (webiner, e_contents, Web講演会) のみ
  • 1施設に複数医師が所属 → 施設除外
  • 1医師が複数施設に所属 → 医師除外
  • wash-out期間に視聴あり → 除外
  • 初回視聴が2025/10以降 → 除外

1.4 推定手法

TWFE (Two-Way Fixed Effects)

  • 標準的な双方向固定効果モデル
  • 施設固定効果 + 時間固定効果
  • クラスターロバストSE（施設レベル）

Callaway-Sant'Anna (2021)

  • ずれた処置に頑健な推定量
  • コホート別ATT(g,t) → 動的効果集約
  • Bootstrap SE (N=200全体, N=100チャネル別)

1.5 用語解説

用語補足説明
DID (差の差分法)処置群と対照群の「前後差の差」で因果効果を推定する準実験的手法
ATT (Average Treatment effect on the Treated)処置を受けた群における平均処置効果
TWFE (Two-Way Fixed Effects)個体（施設）と時点の両方の固定効果を制御する回帰モデル
Callaway-Sant'Anna (CS)処置開始時期が異なる場合のバイアスを補正するDID推定量
CATE (Conditional Average Treatment Effect)属性条件付きの平均処置効果（異質的処置効果）
コホート同一時期に処置を受け始めた施設のグループ
イベント時間 (event time)処置開始からの相対的な経過月数 (e=0が処置開始月)
Bootstrapリサンプリングにより標準誤差・信頼区間を算出する統計手法
95% CI (信頼区間)真の効果がこの範囲に含まれる確率が95%である区間
SE (標準誤差)推定値のばらつきの大きさ、小さいほど推定が安定
p値帰無仮説（効果ゼロ）が正しい場合にこの推定値以上が観測される確率
クラスターロバストSE施設内の観測値の相関を考慮した標準誤差の補正
解析対象集団の選定フローデータソースから段階的な除外基準を適用して最終解析対象を確定する過程の図示
fac_honin (施設本院コード)本院に合算したコードで、分析の施設単位として使用

2. 解析対象集団の選定

解析対象集団の選定フローを以下に示す。売上データ・RW医師リスト・視聴データの各ソースからENT品目を抽出し、施設-医師の1対1対応・wash-out・遅延視聴者の除外を経て、最終的な処置群・対照群を確定した。

解析対象集団の選定

除外フロー集計

ステップ 条件 除外数 残余数
初期 全品目売上データ - 58848 行
[0a] ENT品目フィルタ 品目コード = 00001 のみ 40144 行 18704 行
[0b] 視聴データ結合 デジタル視聴 + 活動(Web講演会) ENT品目 9604 行 2955 行
[A] 複数医師施設 (Step 1) facility_attribute: 施設内医師数==1 のfac_honinのみ 238医師 97医師
[B] 複数施設所属 (Step 2) doctor_attribute: 所属施設数==1 の医師のみ 0医師 97医師
[C] RW医師+1:1確認 (Step 3) rw_list.csv の seg 非空 + 施設医師1:1対応 0医師 97施設 / 97医師
[D] Wash-out視聴 2023/4-5に視聴あり 2医師 95施設
[E] 遅延視聴者 初回視聴 >= 2025/10 2医師 93施設
最終 分析対象 - 93施設 (処置48 + 対照45)

3. 基礎集計

3.1 処置群・対照群の記述統計

群 施設数 月次売上額 平均 月次売上額 SD パネル行数
対照群 (未視聴) 45 130.5 40.4 1485
処置群 (視聴) 48 144.9 48.4 1584

3.2 コホート分布

処置群の初回視聴月ごとの施設数分布:

コホート分布

3.3 属性分布 (処置群 / 対照群)

baseline_cat

群 0以下
処置群 48
対照群 45

年齢_cat

群 25~33歳 33~43歳 43~51歳 51~59歳
処置群 8 14 10 16
対照群 14 12 13 6

卒業時年齢

群 24
処置群 48
対照群 45

医師歴_cat

群 1~9年 9~19年 19~27年 27~35年
処置群 8 14 10 16
対照群 14 12 13 6

UHP区分名

群 UHP-A UHP-B UHP-C 非UHP
処置群 7 15 9 17
対照群 7 10 11 17

許可病床数_合計

群 0 5 10 19 100 200 300 500
処置群 14 13 5 5 3 3 2 3
対照群 9 17 6 5 4 3 0 1

4. 視聴パターンの可視化

除外された医師と解析対象の医師の視聴パターンを比較する。

凡例: (a) wash-out期間（2023/4-5）に視聴がある医師 → 除外 / (b) 複数施設に所属する医師 → 除外 / (c) 初回視聴が2025/10以降の医師 → 除外 / (d) 解析対象（処置群）の代表的視聴パターン
視聴パターン可視化

5. DID推定結果

5.1 全体推定結果の比較

手法 ATT (処置群の平均処置効果) SE (標準誤差) p値 95% CI (信頼区間) 有意性
TWFE (全体) 27.55 4.17 0.000000 [19.39, 35.72] ***
TWFE-DR (全体, 共変量調整) 34.28 4.52 0.000000 [25.41, 43.15] ***
CS (全体) 31.85 4.71 0.000000 [22.62, 41.07] ***
CS-DR (全体, 共変量調整) 36.29 5.04 0.000000 [26.41, 46.16] ***
CS (webiner) 31.65 4.66 0.000000 [22.52, 40.78] ***
CS (e_contents) 26.51 2.36 0.000000 [21.88, 31.14] ***
CS (Web講演会) 33.09 4.42 0.000000 [24.43, 41.74] ***
CS-DR (webiner) 35.85 4.77 0.000000 [26.50, 45.21] ***
CS-DR (e_contents) 31.75 4.10 0.000000 [23.72, 39.78] ***
CS-DR (Web講演会) 36.22 6.08 0.000000 [24.32, 48.13] ***

5.2 CS動的効果 (全体)

イベント時間 ATT SE 95% CI下限 95% CI上限
e=-6 1.32 3.26 -5.06 7.71
e=-5 0.10 3.55 -6.85 7.05
e=-4 -4.26 2.94 -10.02 1.49
e=-3 -5.52 4.05 -13.45 2.41
e=-2 -0.10 3.78 -7.51 7.32
e=-1 0.00 0.00 0.00 0.00
e=0 14.78 3.84 7.25 22.31
e=1 22.41 3.64 15.27 29.55
e=2 20.81 4.54 11.91 29.71
e=3 20.91 4.10 12.87 28.94
e=4 19.49 3.89 11.87 27.11
e=5 23.17 4.60 14.16 32.17
e=6 26.01 5.03 16.15 35.87
e=7 26.58 4.61 17.55 35.61
e=8 31.13 4.70 21.91 40.35
e=9 28.73 3.75 21.39 36.07
e=10 32.08 4.80 22.66 41.49
e=11 33.05 4.82 23.61 42.50
e=12 38.25 4.92 28.62 47.89
e=13 42.17 5.45 31.48 52.85
e=14 40.70 5.16 30.59 50.81
e=15 40.07 5.45 29.38 50.75
e=16 30.65 5.16 20.53 40.77
e=17 40.35 6.64 27.34 53.37
e=18 39.98 5.96 28.29 51.67

5.3 可視化

Staggered DID Results

5.4 ロバストネスチェック: MR活動共変量

MR活動（面談、面談_アポ、説明会等）の月次実施回数を共変量として追加した場合の推定結果。 デジタル視聴の効果推定がMR活動の時変交絡に頑健かどうかを検証する。

モデル ATT SE p値 95% CI 有意性
TWFE (メイン) 27.55 4.17 0.000000 [19.39, 35.72] ***
TWFE (+MR活動共変量) 27.57 4.17 0.000000 [19.41, 35.73] ***
共変量 係数 SE p値 有意性
MR活動回数 0.36 0.52 0.4930 n.s.

ATT変化率: 0.1%

解釈: MR活動（面談等）を共変量として追加してもATTの変化が小さい場合（目安: 変化率10%未満）、 MR活動による時変交絡の影響は限定的であり、メインTWFE推定の信頼性が支持される。

5.5 CS-DR推定 (Doubly Robust, 共変量調整)

Callaway-Sant'Anna (CS) 推定にDoubly Robust (DR) 補正を加え、共変量の差異による交絡を除去した推定結果。 IPW（傾向スコア重み付け: LogisticRegression）とOR（結果回帰: Ridge）を組み合わせており、 どちらか一方が正しければ一致性を持つ（二重頑健性）。

使用共変量 (z-score標準化済み):

CS vs CS-DR 比較

手法 ATT SE p値 95% CI 有意性
CS (無調整) 31.85 4.71 0.000000 [22.62, 41.07] ***
CS-DR (共変量調整) 36.29 5.04 0.000000 [26.41, 46.16] ***

CS-DR 動的効果

イベント時間 ATT SE 95% CI下限 95% CI上限
e=-6 -1.59 4.85 -11.09 7.91
e=-5 -2.65 4.44 -11.36 6.06
e=-4 -4.12 4.63 -13.20 4.96
e=-3 -5.91 4.49 -14.70 2.89
e=-2 1.10 4.23 -7.20 9.39
e=-1 0.00 0.00 0.00 0.00
e=0 14.99 4.59 6.00 23.99
e=1 23.19 4.70 13.97 32.41
e=2 18.70 5.22 8.47 28.94
e=3 19.78 4.57 10.82 28.74
e=4 22.29 4.64 13.20 31.38
e=5 26.71 5.44 16.04 37.38
e=6 31.75 5.79 20.40 43.11
e=7 29.27 5.21 19.06 39.47
e=8 33.86 5.93 22.24 45.48
e=9 32.90 5.00 23.10 42.70
e=10 36.10 6.26 23.82 48.38
e=11 37.82 5.11 27.80 47.84
e=12 45.89 5.83 34.47 57.31
e=13 47.16 6.35 34.72 59.60
e=14 44.52 5.41 33.92 55.13
e=15 46.13 6.78 32.84 59.42
e=16 36.51 6.07 24.61 48.40
e=17 45.59 7.30 31.28 59.91
e=18 43.59 7.56 28.78 58.41
解釈: CS-DRとCS(無調整)の差が小さい場合、共変量による交絡の影響は限定的であり、 無調整CS推定の信頼性が支持される。差が大きい場合は、共変量調整後の推定を優先する。

チャネル別 CS vs CS-DR 比較

チャネル CS ATT (無調整) CS-DR ATT (調整後) 差 (DR - CS) CS sig CS-DR sig
webiner 31.65 35.85 +4.21 *** ***
e_contents 26.51 31.75 +5.24 *** ***
Web講演会 33.09 36.22 +3.14 *** ***

6. CATE分析 (条件付き平均処置効果)

6.1 サブグループ別ATT推定値

baseline_cat

レベル N ATT SE 95% CI
0以下 48 31.8 4.2 [23.6, 40.1]

年齢_cat

レベル N ATT SE 95% CI
25~33歳 8 50.1 1.3 [47.5, 52.8]
33~43歳 14 37.4 5.7 [26.3, 48.6]
43~51歳 10 37.7 12.0 [14.1, 61.3]
51~59歳 16 15.0 4.6 [6.0, 24.0]

卒業時年齢

レベル N ATT SE 95% CI
24 48 31.8 4.4 [23.3, 40.4]

医師歴_cat

レベル N ATT SE 95% CI
1~9年 8 50.1 1.2 [47.7, 52.5]
9~19年 14 37.4 4.5 [28.7, 46.2]
19~27年 10 37.7 11.5 [15.2, 60.2]
27~35年 16 15.0 4.5 [6.2, 23.9]

UHP区分名

レベル N ATT SE 95% CI
UHP-A 7 38.9 6.3 [26.5, 51.4]
UHP-B 15 32.5 7.4 [18.0, 47.0]
UHP-C 9 35.5 5.2 [25.3, 45.7]
非UHP 17 26.6 5.2 [16.4, 36.7]

許可病床数_合計

レベル N ATT SE 95% CI
0 14 37.9 9.4 [19.6, 56.2]
10 5 5.7 7.9 [-9.8, 21.3]
100 3 22.9 2.4 [18.2, 27.7]
19 5 37.3 1.7 [34.0, 40.6]
200 3 28.2 2.1 [24.0, 32.4]
300 2 19.2 2.5 [14.2, 24.1]
5 13 40.2 4.5 [31.4, 49.0]
500 3 25.6 2.4 [20.9, 30.3]

6.2 サブグループ間差の検定

年齢_cat

比較 差 SE p値 有意性
25~33歳 - 33~43歳 12.7 5.8 0.0293 *
25~33歳 - 43~51歳 12.4 12.2 0.3082 n.s.
25~33歳 - 51~59歳 35.1 4.7 0.0000 ***
33~43歳 - 43~51歳 -0.3 12.9 0.9837 n.s.
33~43歳 - 51~59歳 22.4 7.6 0.0031 **
43~51歳 - 51~59歳 22.7 13.1 0.0837 n.s.

医師歴_cat

比較 差 SE p値 有意性
1~9年 - 9~19年 12.7 4.6 0.0054 **
1~9年 - 19~27年 12.4 11.4 0.2762 n.s.
1~9年 - 27~35年 35.1 4.6 0.0000 ***
9~19年 - 19~27年 -0.3 11.9 0.9823 n.s.
9~19年 - 27~35年 22.4 6.2 0.0003 ***
19~27年 - 27~35年 22.7 12.7 0.0746 n.s.

UHP区分名

比較 差 SE p値 有意性
UHP-A - UHP-B 6.4 10.4 0.5372 n.s.
UHP-A - UHP-C 3.4 8.0 0.6694 n.s.
UHP-A - 非UHP 12.3 8.6 0.1527 n.s.
UHP-B - UHP-C -3.0 9.5 0.7548 n.s.
UHP-B - 非UHP 5.9 9.0 0.5105 n.s.
UHP-C - 非UHP 8.9 7.4 0.2300 n.s.

許可病床数_合計

比較 差 SE p値 有意性
0 - 10 32.2 12.7 0.0115 *
0 - 100 14.9 9.5 0.1161 n.s.
0 - 19 0.6 9.5 0.9529 n.s.
0 - 200 9.7 9.9 0.3296 n.s.
0 - 300 18.7 9.7 0.0544 n.s.
0 - 5 -2.3 10.5 0.8299 n.s.
0 - 500 12.3 9.6 0.2006 n.s.
10 - 100 -17.2 8.0 0.0308 *
10 - 19 -31.6 8.3 0.0001 ***
10 - 200 -22.5 8.1 0.0056 **
10 - 300 -13.4 8.7 0.1208 n.s.
10 - 5 -34.4 9.0 0.0001 ***
10 - 500 -19.9 8.3 0.0167 *
100 - 19 -14.4 3.1 0.0000 ***
100 - 200 -5.3 3.4 0.1241 n.s.
100 - 300 3.8 3.7 0.3051 n.s.
100 - 5 -17.2 5.1 0.0007 ***
100 - 500 -2.6 3.0 0.3857 n.s.
19 - 200 9.1 2.7 0.0007 ***
19 - 300 18.2 3.0 0.0000 ***
19 - 5 -2.8 4.9 0.5623 n.s.
19 - 500 11.8 2.9 0.0000 ***
200 - 300 9.1 3.2 0.0041 **
200 - 5 -11.9 5.3 0.0250 *
200 - 500 2.7 3.3 0.4276 n.s.
300 - 5 -21.0 5.3 0.0001 ***
300 - 500 -6.4 3.5 0.0668 n.s.
5 - 500 14.6 5.2 0.0048 **

6.3 Forest Plot

CATE Forest Plot

6.4 動的効果 (サブグループ別)

CATE Dynamic Effects

7. 医師視聴パターン分析

⚠️ 重要な注意：内生性の問題
視聴回数は医師の自発的行動であり、制御不可能な変数です。
- 元々関心が高い医師ほど多く視聴（選択バイアス）
- 処方意向が高い医師ほど視聴（逆因果）
- 配信はできるが視聴は強制できない

したがって、本分析の結果は 「関連性」 であり 「因果効果」ではありません。
推定値は真の効果の上限値として解釈すべきです。

概要

以下の3つの分析アプローチで、視聴パターンと売上の関連性を多角的に検証します：

7.1 視聴回数別限界効果 + 配信成功率を考慮した期待効果分析

分析の目的: 視聴1回目、2回目、3回目...それぞれの限界効果を推定し、配信成功率（視聴確率）を考慮した期待効果を算出。 同じ予算で、既存医師への追加配信 vs 新規医師への初回配信、どちらが効果的かを定量的に評価。

重要な発見:
新規医師の視聴確率は極めて低く（約2%）、既存医師（既に視聴経験がある医師）への配信の方が 期待効果が圧倒的に高い（最大219倍）。

7.1.1 視聴回数別の限界効果

医師×月レベルのパネルデータで、視聴回数別の限界効果を推定（TWFE回帰）。

視聴回数 限界効果（万円） SE p値 有意性
1回目 2.18 2.67 0.4144 n.s.
2回目 9.68 3.36 0.0040 **
3回目 7.36 2.58 0.0044 **
4回目 14.23 2.62 0.0000 ***
5回目以上 30.37 3.03 0.0000 ***

視聴回数が増えるほど限界効果が増加する傾向（逓増効果）。 5回目以上の限界効果は1回目の約8倍。

7.1.2 視聴確率（配信成功率）

配信履歴から、各段階での視聴確率を推定。

段階 視聴確率
新規医師（初回視聴） 2.6%
既存1回 → 2回目 34.6%
既存2回 → 3回目 42.3%
既存3回 → 4回目 24.4%
既存4回 → 5回目 59.5%
重大な発見:
新規医師の視聴確率は わずか2.6%。 つまり、97%の配信が無駄になる。
一方、既存医師の継続視聴確率は29-62%と高く、配信効率が圧倒的に良い。

7.1.3 期待効果（視聴確率 × 限界効果）

配信成功率を考慮した、実質的な期待効果を算出。

配信対象 視聴確率 限界効果 期待効果 対新規比
新規医師 1回目 2.6% 2.18万円 0.06万円 1.0倍
既存医師 2回目 35.5% 9.68万円 3.72万円 66倍
既存医師 3回目 47.4% 7.36万円 3.35万円 60倍
既存医師 4回目 56.6% 14.23万円 9.05万円 161倍
既存医師 5回以上 50.5% 30.37万円 14.14万円 252倍

💡 最適配信戦略

全ての視聴回数で既存医師の期待効果が高い（常に既存医師優先）

📊 期待効果ランキング:
1. 既存5回以上: 14.14万円
2. 既存4回目: 9.05万円
3. 既存2回目: 3.72万円
4. 既存3回目: 3.35万円
5. 新規1回目: 0.06万円
 ✅ 実務的推奨:
• 既存視聴医師への配信を最優先
• 視聴回数が多いほど効率的
• 新規医師への配信は効率が極めて低い
• 限られた予算は既存医師に集中投下

7.1.4 可視化

Physician Viewing Analysis

(a) 視聴回数別の限界効果 / (b) 視聴確率（継続率） / (c) 期待効果の比較 / (d) 期待ROI / (e) 配信優先順位 / (f) 最適配分メッセージ

7.2 セッションベース視聴パターン + 傾向スコア調整

視聴回数だけでなく 視聴の時間的パターン を考慮し、医師・施設属性による 選択バイアスを調整。

7.2.1 セッション分類の考え方

セッション定義:
視聴と視聴の間隔が 30 日以上空いた場合、別セッションとみなす。

視聴パターン分類:
- 短期集中型: 短期間に集中視聴（1セッション、期間≤30日）
- 長期継続型: 長期間継続視聴（1セッション、期間>30日）
- 定期視聴型: 複数セッション、間隔が短い（平均≤60日）
- 断続視聴型: 複数セッション、間隔が長い（平均>60日）
- 単発視聴: 1回のみ視聴
- 未視聴: 視聴なし

7.2.2 視聴パターン分布

パターン 医師数 割合
未視聴 45 48.4%
断続視聴型 23 24.7%
定期視聴型 22 23.7%
単発視聴 2 2.2%
短期集中型 1 1.1%

7.2.3 傾向スコア推定

視聴有無を、医師・施設属性（経験年数、診療科、地域、施設タイプ）で予測するLogitモデルを推定。

指標 値
Pseudo R2 1.0000
視聴群の平均傾向スコア 1.0000
未視聴群の平均傾向スコア 0.0000

Pseudo R2が 100.00% で、視聴群の平均傾向スコアが未視聴群より高い。 これは視聴医師が特定の属性（経験豊富、都市部など）に偏っていることを示唆。

7.2.4 IPW調整後の平均売上

逆確率重み付け（IPW）により、属性バイアスを調整した各パターンの平均売上を推定。

パターン IPW調整後平均売上 医師数
未視聴 130.5 45
定期視聴型 156.5 22
断続視聴型 134.4 23
単発視聴 148.6 2
短期集中型 123.8 1

7.2.5 可視化

Propensity Score Analysis

(a) セッション分類分布 / (b) 傾向スコア分布 / (c) IPW調整後の平均売上

解釈の注意:
視聴回数は内生変数（医師の自発的行動）であり、未観測の交絡は残る
結果は相関関係として解釈し、因果効果の上限値と考えるべき

7.3 MR活動によるMediation分析

MR活動（訪問回数）は 企業が制御可能な変数。MR活動が視聴を介して売上に影響する経路を検証。

7.3.1 分析の枠組み

Mediation仮説:
MR活動 → 視聴機会増加 → 売上向上

2段階推定:
① Stage 1: MR活動 → 視聴回数 (相関)
② Stage 2: 予測視聴 → 売上 (間接効果)
③ Direct: MR活動 → 売上 (直接効果、視聴を制御)

7.3.2 Stage 1: MR活動 → 視聴

指標 値
MR活動-視聴相関係数 0.0955
MR活動の係数 0.0047
p値 0.7647
有意性 n.s.

相関係数が 0.096 と非常に小さく、 MR活動だけでは視聴をほとんど説明できない。 これは視聴が複数チャネル（ベンダーサイト、MRメール、Web講演会など）から発生し、 MR活動以外の要因が大きいことを示唆。

7.3.3 Stage 2: 視聴 → 売上

変数 係数 SE p値 有意性
視聴回数 59.620 116.550 0.609011 n.s.

7.3.4 Mediation効果の分解

効果 値
Direct Effect (直接効果) 0.243
Indirect Effect (間接効果) 0.279
Total Effect (総効果) 0.522
間接効果の割合 53.5%

間接効果（MR活動→視聴→売上）が総効果の約 53% を占める。

7.3.5 可視化

MR Activity Mediation Analysis

(a) MR活動-視聴の散布図 / (b) MR活動と視聴の時系列 / (c) 直接効果の係数

Mediation分析の結論

MR活動自体も内生的（売上が良い施設にMRが多く訪問）な可能性あり

視聴回数のみを使うよりは頑健な推定

MR活動は制御可能な変数として、意思決定に活用可能

7.4 統合的解釈と実務的示唆

3つの分析から得られた知見の統合

1️⃣ 視聴パターンと売上の関連性 (7.1)
  • Intensive Margin（既存医師への追加視聴） の方が売上との関連性が強い
  • 視聴回数が多い医師ほど高売上の傾向（ただし因果関係ではない）
2️⃣ 時間的パターンと選択バイアス (7.2)
  • 視聴パターンを セッションベース で分類すると、定期視聴型が最も高売上
  • 傾向スコアによる調整後も、この傾向は維持される
  • ただし、視聴意欲の高い医師が元々高売上である可能性は排除できない
3️⃣ 制御可能な変数としてのMR活動 (7.3)
  • MR活動と視聴の相関は ほぼゼロ（相関係数 0.096）
  • 視聴は多様なチャネル（ベンダーサイト、メール、Web講演会）から発生
  • MR活動単独では視聴行動を制御できない

実務的な示唆と推奨アクション

✅ 推奨される戦略
  1. 既存視聴医師へのフォローアップ強化
    • 定期的なリマインド配信（メール、MR経由）
    • 新コンテンツのプッシュ通知
    • 視聴履歴に基づくパーソナライズ配信
  2. チャネル横断的な接触機会の創出
    • ベンダーサイトでの露出強化
    • Web講演会との連携
    • MR訪問時のコンテンツ紹介
  3. 属性ベースのターゲティング精緻化
    • 傾向スコアモデルを活用し、視聴確率の高い医師を優先
    • 経験年数、地域、施設タイプなどの属性を考慮
⚠️ 注意すべき点
  • 視聴は結果であって原因ではない可能性: 元々興味のある医師が視聴し、その医師が処方する
  • 配信数を増やすだけでは視聴増加は保証されない: 多様なチャネルからのアクセスが重要
  • MR活動だけでは視聴をコントロールできない: 統合的なマーケティング戦略が必要
📊 今後の分析の方向性
  • チャネル別の視聴効率の測定（どのチャネルが最も視聴に繋がるか）
  • コンテンツタイプ別の効果検証（疾患情報 vs 製品情報など）
  • 視聴タイミングと処方タイミングのラグ分析
  • RCT（ランダム化比較試験）による因果効果の厳密な検証

8. MR vs デジタルバランス分析：最適リソース配分

分析目的: MR活動とデジタルチャネルの最適なバランスを定量的に評価し、 具体的なリソース配分シナリオを提示する。

8.1 限界効果の推定

TWFE回帰により、MR活動とデジタル視聴それぞれの売上への限界効果を推定。

変数 限界効果（万円/回） SE p値 有意性
MR活動 2.00 0.55 0.000271 ***
デジタル視聴 9.38 1.71 0.000000 ***
重要な知見:
デジタル視聴の限界効果（9.38万円）は、 MR活動（2.00万円）の 約4.7倍。

8.2 コスト効率性：損益分岐点コストアプローチ

デジタル視聴単価のデータが存在しないため、「デジタルがMRより費用対効果が高くなる最大視聴単価（損益分岐点コスト C*）」を回帰結果から導出する。

コスト仮定（万円）:
- MR 1名あたり年間コスト: 1,000万円
- MR活動1回あたりコスト: 2.0万円
- デジタル視聴単価: データなし（損益分岐点コストで評価）
指標 値 解釈
MRの費用対効果 0.999万円売上/万円コスト MR活動1回あたりのコスト効率
損益分岐点コスト C* 9.396万円/視聴 この単価以下ならデジタルはMRより費用対効果が高い
等価交換レート MR活動1回 = デジタル0.2回分 売上インパクトの換算率
損益分岐点コスト解釈:
デジタル視聴単価 < 9.396万円/視聴 であれば MR より費用対効果が高い。MR活動1回 = デジタル視聴0.2回分の売上インパクト(概算)。

8.3 MR削減 × デジタル転換シミュレーション（コストニュートラル前提）

MR削減節約額を全てデジタル投資に転換した場合の売上中立コスト。デジタル視聴単価がこの値以下であれば、売上を維持しながらコスト削減が可能。

MR削減率 年間節約額（万円） 売上中立コスト Cneutral（万円/視聴） 解釈
10%削減 10,000 137.8（実質上限なし） どの単価でも売上増（実質上限なし）
20%削減 20,000 137.8（実質上限なし） どの単価でも売上増（実質上限なし）
30%削減 30,000 137.8（実質上限なし） どの単価でも売上増（実質上限なし）
50%削減 50,000 137.8（実質上限なし） どの単価でも売上増（実質上限なし）
MR 30%削減 × デジタル転換 感度分析（視聴単価別売上変化率）:
視聴単価（万円） 0.050.10.30.51.02.05.010.0
売上変化率（%） +931.9% +465.8% +155.0% +92.9% +46.3% +23.0% +9.0% +4.3%

8.4 可視化

MR vs Digital Balance Analysis

(a) 限界効果（TWFE推定）/ (b) 損益分岐点コスト / (c) 等価交換レート / (d) 感度分析ヒートマップ / (e) 売上中立コスト / (f) 施設属性別限界効果

8.5 実務的推奨アクション

主要な知見

  • デジタルの限界効果（9.38万円/視聴）は MR（2.00万円/活動）の 4.7倍
  • 損益分岐点コスト C* = 9.396万円/視聴 （視聴単価がこれ以下ならデジタルはMRより費用対効果が高い）
  • MR削減節約額をデジタルへ転換した場合、現実的な視聴単価の範囲ではほぼ全ての削減シナリオで売上増加が見込まれる
現状（MR）
MR FTE: 100名（仮定）
年間MRコスト: 100,000万円
MR費用対効果: 0.999万円売上/万円コスト 		デジタル（試算）
損益分岐点: C* = 9.396万円/視聴
等価レート: MR1回 = デジタル0.2回
→ 視聴単価 C* 以下で MR より費用対効果が高い

重要な注意事項

  • MRとデジタルの両方が内生変数であり、結果は相関関係を示す
  • 損益分岐点コスト分析により、デジタルコストが不明でも意思決定の閾値を特定できる。感度分析ヒートマップで視聴単価ごとの売上変化率を参照し、コスト情報入手後に最適シナリオを選択すること。
  • 実際のリソース配分変更は、段階的に実施し、効果を検証しながら進めることを推奨
  • MR活動には定量化されない価値（関係構築、情報収集など）も存在する

9. PSM 伸長率比較（視聴群 vs 未視聴群）

ウォッシュアウト期間（2023年4–5月）に視聴していた医師（継続的視聴者）を除外した母集団において、 解析期間中に視聴を開始した視聴群と全期間未視聴の未視聴群を 1:1 傾向スコアマッチング（最近傍、キャリパー付き）で比較した。 アウトカムは 後期月平均 – 前期月平均（万円） で定義した伸長率差（ATT）。

分析設定

項目内容
前期month 0-11 (12ヶ月)
後期month 12-32 (21ヶ月)
アウトカム後期月平均 - 前期月平均（万円）
マッチング手法1:1 nearest-neighbor within caliper
キャリパー (logit PS SD 単位)0.1810

サンプルサイズ

区分人数
ウォッシュアウト除外（継続視聴者）2
視聴群（解析対象）48
未視聴群（解析対象）45
マッチング成立ペア数13

全体 ATT（マッチング後）

ATT（万円/月）SEt値p値95% CI
+14.12 11.72 1.20 0.2515 [-8.85, 37.10]

視聴群は未視聴群（PSMマッチング後）に比べ、後期の月平均実績が +14.1 万円 多い。

サブグループ別 ATT

医師歴区分

カテゴリ 視聴群N 未視聴群N マッチ数 ATT（万円/月） SE p値 95% CI
中堅 17 9 4 +14.96 11.27 0.2762 [-7.12, 37.05]
若手 8 17 4 +6.58 10.22 0.5654 [-13.45, 26.62]
ベテラン 23 19 7 +14.78 4.27 0.0135 [6.40, 23.15]

ベースライン納入額

カテゴリ 視聴群N 未視聴群N マッチ数 ATT（万円/月） SE p値 95% CI
0以下 48 45 3 +39.05 30.39 0.3276 [-20.52, 98.62]

年齢

カテゴリ 視聴群N 未視聴群N マッチ数 ATT（万円/月） SE p値 95% CI
25~34歳 8 17 4 +6.58 10.22 0.5654 [-13.45, 26.62]
34~43歳 14 9 4 +2.32 12.74 0.8670 [-22.64, 27.29]
43~50歳 10 12 3 -6.00 13.95 0.7090 [-33.34, 21.34]
50~59歳 16 7 3 +24.32 1.74 0.0051 [20.92, 27.72]

デジタルチャネル選好

カテゴリ 視聴群N 未視聴群N マッチ数 ATT（万円/月） SE p値 95% CI
マルチ 34 8 3 +50.29 27.95 0.2137 [-4.48, 105.07]
なし 0 32 0 推定不能（サンプル不足）
Web講演会 5 1 0 推定不能（サンプル不足）
webiner 7 2 0 推定不能（サンプル不足）
e_contents 2 2 0 推定不能（サンプル不足）

医師セグメント

カテゴリ 視聴群N 未視聴群N マッチ数 ATT（万円/月） SE p値 95% CI
Maintenance 7 4 2 +50.83 18.15 0.2184 [15.25, 86.41]
Potential 20 9 2 +60.90 27.72 0.2720 [6.56, 115.24]
Key Account 21 13 3 +18.57 5.44 0.0762 [7.90, 29.23]
Non-Target 0 19 0 推定不能（サンプル不足）

共変量バランス（SMD）

変数マッチング前 SMDマッチング後 SMD

SMD < 0.1 が望ましいバランス基準（Rubin, 2001）

PSM Growth Rate Analysis
PSM Subgroup Forest Plot
注意事項:
PSMは観察可能な共変量のみで選択バイアスを調整する。未観測交絡（医師の内発的動機等）は残存するため、 本推定値は因果効果の上限値として解釈すること。

10. 結論・主な知見

全体効果

  • TWFE推定 (双方向固定効果): ATT (処置群の平均処置効果) = 27.55 (SE=4.17, ***)
  • TWFE-DR推定 (IPW重み付き+共変量調整): ATT = 34.28 (SE=4.52, ***)
  • CS推定 (Callaway-Sant'Anna): ATT = 31.85 (SE=4.71, ***)
  • CS-DR推定 (Doubly Robust, 共変量調整): ATT = 36.29 (SE=5.04, ***)

チャネル別効果 (CS推定)

  • webiner: ATT = 31.65 (N=37, ***)
  • e_contents: ATT = 26.51 (N=28, ***)
  • Web講演会: ATT = 33.09 (N=32, ***)

CATE (条件付き平均処置効果 / 異質的処置効果)

  • 年齢_cat: 25~33歳(50.1), 33~43歳(37.4), 43~51歳(37.7), 51~59歳(15.0)
  • 医師歴_cat: 1~9年(50.1), 9~19年(37.4), 19~27年(37.7), 27~35年(15.0)
  • UHP区分名: UHP-A(38.9), UHP-B(32.5), UHP-C(35.5), 非UHP(26.6)
  • 許可病床数_合計: 0(37.9), 10(5.7), 100(22.9), 19(37.3), 200(28.2), 300(19.2), 5(40.2), 500(25.6)
注意事項:
- サブグループのNが小さいため検出力は限定的
- 各サブグループのATTは共通の対照群を使用
- 本分析はシミュレーションデータに基づく方法論検証